Czasopismo | PRZEGLĄD ELEKTROTECHNICZNY | Rocznik 2022 - zeszyt 4

Non-intrusive load monitoring for appliance status determination using feed-forward neural network

10.15199/48.2022.04.06

nr katalogowy: 136946
10.15199/48.2022.04.06

Streszczenie

Regulacje i inicjatywy dotycza ̨ce efektywnos ́ci energetycznej zostały wdroz ̇one w ramach proaktywnych działan ́ maja ̨cych na celu zaradzenie kryzysowi energetycznemu, który powstał z powodu rosna ̨cego popytu i wyczerpywania sie ̨ zasobów. System monitorowania obcia ̨z ̇e- nia słuz ̇y do dostarczania danych w czasie rzeczywistym w celu uzyskania odpowiednich informacji zwrotnych dotycza ̨cych oszcze ̨dnos ́ci energii elektrycznej. Moz ̇na go równiez ̇ wykorzystac ́ do oceny skutecznos ́ci wdroz ̇enia systemu zarza ̨dzania energia ̨. Jednak monitorowanie wszystkich poszczególnych urza ̨dzen ́ poprzez zainstalowanie licznika energii dla kaz ̇dego urza ̨dzenia be ̨dzie wia ̨zało sie ̨ z wysokimi kosztami instalacji i kon- serwacji. Dlatego celem niniejszej pracy jest okres ́lenie stanu poszczególnych urza ̨dzen ́ na podstawie zagregowanego pomiaru przy uz ̇yciu niein- wazyjnego monitorowania obcia ̨z ̇enia (NILM) w oparciu o siec ́ neuronowa ̨ ze sprze ̨z ̇eniem do przodu. Ustanowienie modelu NILM obejmuje główne procesy, w tym akwizycje ̨ danych, wste ̨pne przetwarzanie, szkolenie i ocene ̨ wydajnos ́ci. W przetwarzaniu wste ̨pnym wprowadza sie ̨ nowe podejs ́cie wykorzystuja ̨ce próg do identyfikacji stanu urza ̨dzen ́ na podstawie ich odczytów zuz ̇ycia energii. Wydajnos ́c ́ proponowanego podejs ́cia jest naste ̨p- nie oceniana i porównywana z tradycyjna ̨ technika ̨ regresji logistycznej pod wzgle ̨dem dokładnos ́ci. Wyniki pokazuja ̨, z ̇e NILM wykorzystuja ̨cy siec ́ neuronowa ̨ ze sprze ̨z ̇eniem do przodu przewyz ̇szał tradycyjna ̨ regresje ̨ logistyczna ̨ o 5,78%. Co wie ̨cej, zaproponowane podejs ́cie z progiem po- mogło jeszcze bardziej poprawic ́ dokładnos ́c ́ o 19,1% w porównaniu z tym samym algorytmem uczenia bez uwzgle ̨dnienia progu. W rezultacie ogólna wydajnos ́c ́ jest poprawiona o prawie 25% w porównaniu do regresji logistycznej przedstawionej w poprzedniej pracy. Sta ̨d wyraz ́nie widac ́, z ̇e stan poszczególnychurza ̨dzen ́moz ̇naokres ́lic ́napodstawiepomiarównagłównymlicznikuzapomoca ̨NILMwoparciuosiec ́neuronowa ̨zesprze ̨z ̇eniem do przodu z duz ̇a ̨ dokładnos ́cia ̨. (Nieinwazyjne monitorowanie obcia ̨z ̇enia w celu okres ́lenia stanu urza ̨dzenia za pomoca ̨ sieci neuronowej ze sprze ̨z ̇eniem do przodu)

Abstract

Energyefficiencyregulationsandinitiativeshavebeenimplementedaspartofproactiveactionstoaddresstheenergycrisisthathasarisen due to the increasing demand and depletion of resources. A load monitoring system is used to provide real-time data for appropriate feedbacks towards electricity savings. It can also be used to evaluate the effectiveness of the implementation of an energy management scheme. However, monitoring all individual appliances by installing an energy meter for each appliance will incur high installation and maintenance costs. Therefore, this work aims to determine the status of individual appliances from an aggregated measurement using non-intrusive load monitoring (NILM) based on a feed-forward neural network. The establishment of a NILM model has for main processes, including, data acquisition, pre-processing, training and performance evaluation. In the pre-processing, a new approach using threshold is introduced to identify the status of appliances based on their power consumption readings. The performance of the proposed approach is then evaluated and compared with the traditional logistic regression technique in terms of accuracy. The results show that the NILM using a feed-forward neural network outperformed the traditional logistic regression by 5.78%. Moreover, the proposed approach with threshold helped to improve the accuracy further by 19.1% as compared to the same learning algorithm without considering the threshold. Consequently, the overall performance is improved by almost 25% as compared to the logistic regression as presented in the previous work. Hence, it clearly shows that the status of individual appliances can be determined from measurements at the main meter using NILM based on a feed-forward neural network with high accuracy.

Słowa kluczowe

Keywords

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


PRZEGLĄD ELEKTROTECHNICZNY- e-publikacja (pdf) z zeszytu 2022-4 , nr katalogowy 136946 licencja: Osobista Produkt cyfrowy Nowość	10.00 zł

Zeszyt


PRZEGLĄD ELEKTROTECHNICZNY- e-zeszyt (pdf) 2022-4 licencja: Osobista Produkt cyfrowy Nowość	58.00 zł

Prenumerata

PRZEGLĄD ELEKTROTECHNICZNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

762.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	1002.00 zł brutto 927.78 zł netto 74.22 zł VAT (stawka VAT 8%)

1002.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna	960.00 zł brutto 888.89 zł netto 71.11 zł VAT (stawka VAT 8%)
PRZEGLĄD ELEKTROTECHNICZNY - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

1002.00 zł

Zeszyt

2022-4

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma